Journal
IEEE Transactions on Instrumentation and Measurement
Keywords:
Vibrations;
Induction motors;
Fault diagnosis;
Transforms;
Time-frequency analysis;
Feature extraction;
Convolutional neural networks
Effective Fault Diagnosis Based on Wavelet and Convolutional Attention Neural Network for Induction Motors
Ts. Trần Minh Quang
Industry 4.0 Center, National Taiwan University of Science and Technology, Taipei, Taiwan
Email: minhquang.tran@mail.ntust.edu.tw
Tóm tắt công bố khoa học
Sự phát triển của các ngành công nghiệp nói chung và hoạt động của các nhà máy nói riêng có sự đóng góp quan trọng của các loại động cơ điện. Động cơ điện đã và đang được sử dụng rộng rãi trong rất nhiều lĩnh vực công nghiệp bởi sự hiệu quả về chi phí, cấu trúc đơn giản, và dễ bảo trì trong quá trình vận hành. Tuy vậy, cũng giống như đa phần các thiết bị công nghiệp khác, động cơ điện có thể sẽ xuất hiện nhiều loại hư hỏng sau một thời gian dài hoạt động, điều này sẽ gây ra các sự cố nghiêm trọng nếu không được phát hiện và chuẩn đoán sớm. Các hư hỏng thường gặp trên các động cơ điện thường là hư hỏng ổ trục, hỏng stato và hỏng rôto. Điều này sẽ tạo ra nhiều nhiệt hơn, giảm mô-men xoắn đầu ra, tiêu thụ nhiều năng lượng hơn và cũng có thể gây ra hỏng hóc nghiêm trọng cho động cơ. Do đó, việc phát hiện và chẩn đoán sớm các hư hỏng cho động cơ điện có thể giúp ngăn ngừa các hỏng hóc trở nên nghiêm trọng hơn, đồng thời có thể duy trì hoạt động của máy trong điều kiện bình thường và giảm sự phụ thuộc vào việc bảo dưỡng và thay thế định kỳ.
Nghiên cứu này tập trung vào việc phát triển một mô hình chuẩn đoán chính xác các loại hư hỏng thường gặp trên các loại động cơ điện. Trong đó, tín hiệu rung động tương ứng với các điều kiện hoạt động khác nhau của động cơ được đo bằng cảm biến gia tốc với tần số lấy mẫu là 51,2 kHz. Các tín hiệu rung động thu thập sau đó được giảm tần số lấy mẫu xuống thành 12,8 kHz và được tách thành nhiều đoạn tín hiệu nhỏ với độ dài 512 mẫu. Mô hình được đề xuất sử dụng biến đổi Wavelet để phân tích các tín hiệu rung động này trên các ảnh phổ (scalogram), được mô tả như trên Hình 1.
Bộ dữ liệu ảnh phổ thu được này sau đó được phân chia một cách ngẫu nhiên theo tỷ lệ : 80% sử dụng cho quá trình training và 20% còn lại được sử dụng để đánh giá mô hình phân loại hư hỏng. Hai bộ dữ liệu này sau đó được đưa vào mô hình mạng Neural tích chập với cơ chế Attention (CANN) cho quá trình training và đánh giá mô hình. Mô hình CANN được phát triển dựa vào mạng neural tích chập khi sử dụng cơ chế attention nhằm trích xuất thông tin bao gồm spatial attention và channel attention từ dữ liệu đầu vào. Thiết kế của mô hình và cơ chế hoạt động của mô hình CANN được trình bày chi tiết trên Hình 2. Sau cùng, mô hình phân loại được sử dụng để dự đoán các lỗi của tập dữ liệu thu thập trong quá trình hoạt động của động cơ.
Kết quả cho thấy mô hình CANN được đề xuất có khả năng tạo ra các đặc trưng (attentions) tương tự nhau đối với cùng một loại hư hỏng và đồng thời tạo ra các đặc trưng (attentions) khác nhau với từng loại hư hỏng, điều này được thể hiện rõ trong Hình 3.
Các kết quả thử nghiệm chỉ ra rằng mô hình CANN có thể đạt được độ chính xác phân loại cao lên tới 99,43%. Kết quả chẩn đoán này tốt hơn rất nhiều so với mô hình CNN thông thường và các mô hình deep learning hiện nay trong việc chẩn đoán lỗi động cơ.
Thông tin thêm về tác giả:
Ts. Trần Minh Quang